[論文レビュー] FNS: an event-driven spiking neural network simulator based on the LIFL neuron model

Gianluca Susi, Pilar Garcés+5 more|arXiv (Cornell University)|Jan 2, 2018

Advanced Memory and Neural Computing参考文献 71被引用数 5

ひとこと要約

FNSは、LIFLニューロンモデルに基づくイベント駆動型スパikingニューラルネットワークシミュレータであり、疎な神経活動を活用することで、大規模な脳シミュレーションを効率的に行うことを可能にする。FNSは、異種ニューロンモジュール、遅延接続、可塑性シナプス、マルチスレッド並列処理をサポートしており、シミュレートされた脳サブネットワークの活動と実際のMEG機能的データの間で強い整合性を示している。

ABSTRACT

Limitations in processing capabilities and memory of today's computers make spiking neuron-based (human) whole-brain simulations inevitably characterized by a compromise between bio-plausibility and computational cost. It translates into brain models composed of a reduced number of neurons and a simplified neuron's mathematical model, leading to the search for new simulation strategies. Taking advantage of the sparse character of brain-like computation, the event-driven technique could represent a way to carry out efficient simulation of large-scale Spiking Neural Networks (SNN). The recent Leaky Integrate-and-Fire with Latency (LIFL) spiking neuron model is event-driven compatible and exhibits some realistic neuronal features, opening new avenues for brain modelling. In this paper we introduce FNS, the first LIFL-based spiking neural network framework, which combines spiking/synaptic neural modelling with the event-driven approach, allowing us to define heterogeneous neuron modules and multi-scale connectivity with delayed connections and plastic synapses. In order to allow multi-thread implementations a novel parallelization strategy is also introduced. This paper presents mathematical models, software implementation and simulation routines on which FNS is based. Finally, a brain subnetwork is modeled on the basis of real brain structural data, and the resulting simulated activity is compared with associated brain functional (source-space MEG) data, demonstrating a good matching between the activity of the model and that of the experimetal data. This work aims to lay the groundwork for future event-driven based personalised brain models.

研究の動機と目的

• 大規模スパikingニューラルネットワーク（SNN）シミュレーションの計算コストを、イベント駆動型シミュレーションを活用することで低減すること。
• イベント駆動型ダイナミクスとスパイク時刻依存可塑性（STDP）をサポートする生物学的に現実的なLIFLニューロンモデルと互換性のあるシミュレータの開発。
• 遅延接続と可塑性シナプスを備えた、マルチスケールで異種の脳ネットワークモデリングの実現。
• 大規模シミュレーションにおけるマルチスレッド実行を効率的に行う並列処理戦略の実装。
• 実際の脳サブネットワークのソース空間MEGデータと照合することで、モデルの検証。

提案手法

• FNSはイベント駆動型シミュレーションアプローチを採用しており、ニューロンがスパイクを受信または発火する場合にのみ更新され、計算負荷が低減される。
• 漏れ積算型ファイアリング（LIFL）ニューロンモデルが採用されており、正確なスパイクタイミングをサポートし、イベント駆動型シミュレーションと本質的に互換性がある。
• シミュレータはマルチスケール接続性をサポートしており、ガンマ分布を用いた遅延付きの軸索伝導と、STDPを備えた可塑性シナプスが含まれる。
• ネットワークをノードに分割し、ノード間スパイク通信を管理するためのBOP（バルク・オペレーション・ピリオド）メカニズムを用いた、新規の並列処理戦略が導入された。
• スパイクキューは時刻順にソートされ、ノード間スパイクはouter_burning_eventリストを介して管理され、スレッド間での正しい同期が保証される。
• ガウス分布を用いてモジュール内およびモジュール間のシナプス重みを初期化し、ガンマ分布を用いて軸索遅延をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 LIFLモデルに基づくイベント駆動型SNNシミュレータは、高い生物学的妥当性を備えた大規模脳ネットワークシミュレーションを、効率的に実現できるか？
• RQ2 実際の構造的コネクトームデータを制約条件として用いた場合、FNSシミュレータは脳の機能的ダイナミクスをどれほど正確に再現できるか？
• RQ3 従来のクロック駆動型手法と比較して、イベント駆動型アプローチは計算コストをどの程度低減できるか？
• RQ4 実際の脳解剖学的構造から導出されたサブネットワークを用いて、実験的に観測されたMEG信号をシミュレータが正確に再現できるか？
• RQ5 提案されたマルチスレッド並列処理戦略は、複数のプロセッシングユニットにわたるスケーリングにおいて、どの程度効果的か？

主な発見

• FNSシミュレータは、異種ニューロンモジュール、遅延接続、可塑性シナプスをサポートするイベント駆動型、LIFLベースのSNNフレームワークを効果的に実装した。
• 定期的な更新を回避し、イベント駆動実行によるメモリ使用量の削減により、計算が効率的であることが示された。
• 脳サブネットワークにおけるモデルのシミュレートされた活動は、実際のソース空間MEGデータと強く一致しており、機能的関連性が検証された。
• ガンマ分布を用いた遅延の使用により、軸索伝導時間の現実的なモデリングが可能となり、ネットワークダイナミクスの忠実度が向上した。
• マルチスレッド並列処理戦略により、ノードレベルの計算を分離し、ノード間スパイク配信を管理することで、大規模ネットワークのスケーラブルなシミュレーションが実現された。
• LIFLモデルにおけるSTDPと正確なスパイクタイミングの実装により、生物学的に妥当な学習と動的ネットワーク行動が再現可能となった。